新的TRIE框架评估用于随机偏微分方程预测的AI模型

研究人员推出TRIE，一个旨在评估随机偏微分方程（SPDEs）代理模型性能的新评估框架。该框架根据模型重现不变测度、提供可靠预测不确定性以及高效生成概率预测的能力来评估模型。在对混沌SPDEs的测试中，TRIE显示，标准的逐点训练的神经网络代理在长期统计准确性方面存在困难，而生成模型在捕捉统计保真度和减少推理时间方面表现出更优越的性能。 AI

影响 为科学预测中的AI模型评估引入了新标准，有望提高复杂系统预测的可靠性。

排序理由 该条目是一篇学术论文，介绍了一个用于科学预测中AI模型的新评估框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Bharat Srikishan
• DagsHub
• Gaussian function
• Hugging Face
• Monte Carlo
• stochastic Kolmogorov flow
• stochastic Kuramoto--Sivashinsky
• stochastic partial differential equation
• TRIE

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →